遗传算法(整理版）

优化问题

优化问题最终可以归结为：

minimize   $f_0(x)$

subject to   $f_i(x) \le 0$

subject to   $h_j(x) = 0$

对于常规的优化问题，使用常规的求导或优化算法就可以解决。但是，对于一些“多峰”的函数，这些常规的算法就很难求解，这时候就需要求助于一些启发式的优化算法。

遗传算法简介

      遗传算法是一类借鉴生物界的进化规律（适者生存，优胜劣汰的遗传机制）演化而来的自适应概率性随机化迭代搜索算法。


       类似于生物的进化过程，遗传算法处理的是变量集合的编码而非变量本身。它直接对结构对象进行操作，不存在求导和函数连续性的界定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应的调整搜索方向，不需要确定规则。遗传算法的这些特点已被人们广泛的应用于组合优化、机器学习、信号处理、自适应控制和人工生命领域。它是现代有关智能计算中的关键技术之一。

遗传算法的基本流程：

遗传算法例子

      准备要去野游 1 个月，但是你只能背一个限重 30 公斤的背包。现在你有不同的必需物品，它们每一个都有自己的「生存点数」（具体在下表中已给出ÿ